高维离散序列贝叶斯优化的调查与基准
机器学习
2024-11-05 v2 机器学习
摘要
离散黑箱函数的优化是蛋白质工程和药物设计等多个领域的关键任务。由于缺乏梯度信息且需要高效采样，贝叶斯优化是这些任务的理想候选方法。近期已提出了针对高维连续和类别贝叶斯优化的方法，但我们的调查显示，这些方法在实验设置上存在高度异构性，且在实际任务中复现和应用已发表算法存在技术性障碍。为此，我们构建了一个统一框架，用于测试广泛的高维贝叶斯优化方法，并收集一组代表化学和生物学实际应用领域的标准化黑箱函数。这两个基准组件分别由灵活、可扩展且易于扩展的软件库（poli 和 poli-baselines）支持，允许实践者轻松集成新的优化目标或离散优化器。项目网站: https://machinelearninglifescience.github.io/hdbo_benchmark
引用
@article{arxiv.2406.04739,
title = {A survey and benchmark of high-dimensional Bayesian optimization of discrete sequences},
author = {Miguel González-Duque and Richard Michael and Simon Bartels and Yevgen Zainchkovskyy and Søren Hauberg and Wouter Boomsma},
journal= {arXiv preprint arXiv:2406.04739},
year = {2024}
}
备注
Accepted at the Datasets and Benchmarks track of NeurIPS 2024